神經網絡可視化工具，超全匯總！

天承辦公室 2023-09-26 發布于北京

展開全文

kaggle競賽寶典

作者：算法進階

神經網絡可視化工具，超全匯總！

簡介

神經網絡可視化是指通過圖形化的方式展示神經網絡的結構、參數、輸入、輸出、中間結果等信息，可以幫助用戶更好地神經網絡的內部工作原理和特征提取過程，以優化神經網絡模型。擴展閱讀：神經網絡學習到的是什么？機器學習可視化技術概覽(Python)

本文匯總了全網最為全面的26款神經網絡可視化工具，可以幫助大家了解神經網絡的結構組成、工作原理和性能表現，從而更好地進行模型調整和優化。也可以畫出酷炫的模型圖方便模型的展示。具體如下：

1. Net2Vis：是一款自動從Keras代碼生成卷積神經網絡的抽象可視化的工具。

地址：https://github.com/viscom-ulm/Net2Vis

# You can freely modify this file.# However, you need to have a function that is named get_model and returns a Keras Model.import jsonimport sysimport osfrom keras.models import Sequentialfrom keras.layers import Conv2D, Dense, Dropout, Flatten, MaxPooling2D, AveragePooling2D

def get_model(): num_classes = 25 model = Sequential()

model.add(Conv2D(filters=6, kernel_size=(3, 3), activation='relu', padding='same', input_shape=(32,32,1))) model.add(AveragePooling2D())

model.add(Conv2D(filters=16, kernel_size=(3, 3), activation='relu',padding='same')) model.add(AveragePooling2D())

model.add(Flatten())

model.add(Dense(units=120, activation='relu'))

model.add(Dense(units=84, activation='relu'))

model.add(Dense(units=num_classes, activation = 'softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

return model

效果如下：

2. Visualkeras：是一個Python包，用于幫助可視化Keras（獨立或包含在TensorFlow中）神經網絡架構。它允許輕松地進行樣式設置以適應大多數需求。目前，它支持分層樣式架構生成，非常適合CNN（卷積神經網絡），以及圖形樣式架構。

地址：https://github.com/paulgavrikov/visualkeras

效果如下：

import visualkerasmodel = ...visualkeras.layered_view(model).show() # display using your system viewervisualkeras.layered_view(model, to_file='output.png') # write to diskvisualkeras.layered_view(model, to_file='output.png').show() # write and showvisualkeras.layered_view(model)

3. draw_convnet：是一個用于繪制卷積神經網絡結構圖的Python腳本。它可以幫助您可視化卷積神經網絡的結構，包括卷積層、池化層、全連接層等。該腳本是由GitHub用戶gwding開發的，是一個開源項目，可以在GitHub上找到其源代碼和使用說明。

地址：https://github.com/gwding/draw_convnet

效果如下：

4. NN-SVG：有FCNN、AlexNet、LeNet三種類型。

地址：http:///NN-SVG/AlexNet.html

FCNN 類型

AlexNet 類型

LeNet 類型：

5. PlotNeuralNet：用于繪制報告和演示文稿中的神經網絡的LaTeX代碼。查看示例可以了解它們的制作方式。

地址：https://github.com/HarisIqbal88/PlotNeuralNet

效果如下：

6. TensorBoard：Graphs儀表板是用于檢查TensorFlow模型的強大工具。

地址：https://www./tensorboard?hl=zh-cn

效果如下：

7. Caffe：可以使用caffe/draw.py來繪制NetParameter protobuffer。

地址：https://github.com/BVLC/caffe

效果如下：

8. Matlab

地址：https://www./?s_tid=gn_logo

效果如下：

9. Keras.js

地址：https://transcranial./keras-js/#/

效果如下：

10. keras-sequential-ascii：用于研究序列模型的架構和參數的Keras庫

地址：https://github.com/stared/keras-sequential-ascii/

VGG 16 的網絡結構如下：

11. Netron：可以可視化神經網絡、深度學習和機器學習模型。Netron支持ONNX、TensorFlow Lite、Core ML、Keras、Caffe、Darknet、MXNet、PaddlePaddle、ncnn、MNN和TensorFlow.js。還支持實驗性的PyTorch、TorchScript、TensorFlow、OpenVINO、RKNN、MediaPipe、ML.NET和scikit-learn。

地址：https://github.com/lutzroeder/Netron

效果如下：

12. DotNet：這是一個簡單的Python腳本，用于使用Python和Graphviz生成前饋神經網絡的圖片。

地址：https://github.com/martisak/dotnets

效果如下：

13.Graphviz：是一個開源的圖可視化軟件，它可以用抽象的圖形和網絡圖來表示結構化信息。

地址：https://www./

效果如下：

14. Keras Visualization：keras.utils.vis_utils模塊提供了繪制Keras模型（使用graphviz）的實用函數。

地址：https:///api/utils/model_plotting_utils/

效果如下：

15. Conx：Python第三方庫 conx 可以使用 net.picture() 函數來實現具有激活函數網絡的可視化，以生成SVG、PNG或PIL。

地址：https://conx./en/latest/index.html

效果如下：

16. ENNUI：致力于開發拖拽式神經網絡可視化工具。

地址：https://math./ennui/

以下是一個LeNet-like 架構的可視化示例：

17. NNet

教程：https://beckmw.

R工具包示例及效果：

data(infert, package='datasets')plot(neuralnet(case~parity+induced+spontaneous, infert))

18. GraphCore：主要是展示神經網絡中操作的可視化結果，但也包括了網絡結構的內容，比如每層的網絡參數等。

地址：https://www./posts/

下面展示了兩個網絡結構的可視化效果：

AlexNet

ResNet50

19. Neataptic：提供了非常靈活的神經網絡可視化形式；神經元和突觸可以通過一行代碼進行刪除。神經網絡運行不需要固定的結構。允許通過神經進化（neuro-evolution）的方式為數據集調整網絡結構的形狀，并通過多線程來實現

地址：https://wagenaartje./neataptic/

效果如下：

20. TensorSpace：是一個由TensorFlow.js、Three.js和Tween.js構建的神經網絡3D可視化框架。它提供Layer API以構建深度學習層、加載預訓練模型，并在瀏覽器中生成3D可視化。通過它的API接口，可以更直觀地可視化并理解任何由TensorFlow、Keras、TensorFlow.js等構建的預訓練模型。

地址：https:///index_zh.html

效果如下：

21. Netscope CNN Analyzer：一個基于網絡的工具，用于可視化和分析卷積神經網絡架構（或者從技術角度講，任何有向無環圖）。目前支持Caffe的prototxt格式。

地址：http://dgschwend./netscope/quickstart.html

效果如下：

22. Monial：計算圖的交互式表示法，左邊是輸入，右側就是對應結構的可視化結果。

地址：https://github.com/mlajtos/moniel

效果如下：

23. Texample：可以通過 LaTex 來實現一個神經網絡結構的可視化。

地址：https:///tikz/examples/neural-network/

LaTex 示例及效果圖如下：

\documentclass{article}
\usepackage{tikz}\begin{document}\pagestyle{empty}
\def\layersep{2.5cm}
\begin{tikzpicture}[shorten >=1pt,->,draw=black!50, node distance=\layersep]    \tikzstyle{every pin edge}=[<-,shorten <=1pt]    \tikzstyle{neuron}=[circle,fill=black!25,minimum size=17pt,inner sep=0pt]    \tikzstyle{input neuron}=[neuron, fill=green!50];    \tikzstyle{output neuron}=[neuron, fill=red!50];    \tikzstyle{hidden neuron}=[neuron, fill=blue!50];    \tikzstyle{annot} = [text width=4em, text centered]
    % Draw the input layer nodes    \foreach \name / \y in {1,...,4}    % This is the same as writing \foreach \name / \y in {1/1,2/2,3/3,4/4}        \node[input neuron, pin=left:Input \#\y] (I-\name) at (0,-\y) {};
    % Draw the hidden layer nodes    \foreach \name / \y in {1,...,5}        \path[yshift=0.5cm]            node[hidden neuron] (H-\name) at (\layersep,-\y cm) {};
    % Draw the output layer node    \node[output neuron,pin={[pin edge={->}]right:Output}, right of=H-3] (O) {};
    % Connect every node in the input layer with every node in the    % hidden layer.    \foreach \source in {1,...,4}        \foreach \dest in {1,...,5}            \path (I-\source) edge (H-\dest);
    % Connect every node in the hidden layer with the output layer    \foreach \source in {1,...,5}        \path (H-\source) edge (O);
    % Annotate the layers    \node[annot,above of=H-1, node distance=1cm] (hl) {Hidden layer};    \node[annot,left of=hl] {Input layer};    \node[annot,right of=hl] {Output layer};\end{tikzpicture}% End of code\end{document}